YOLO白萝卜检测数据集实战：1000张带标签图像从训练到避坑

简介本资源为面向YOLO系列算法目标检测任务的萝卜检测数据集适合从事农业视觉识别、目标检测模型训练与验证的开发者及学生使用。数据集已按训练与验证需求划分完毕并附带data.yaml配置文件可直接适配yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流框架省去自行标注与划分的繁琐流程。压缩包共2000个文件包含1000个xml标注文件、999个txt标注文件及1个yaml配置文件整体约32.8MB其中txt文件采用YOLO格式记录类别索引与归一化后的中心点坐标、宽高比例xml文件则为VOC格式两种标注可分别用于不同训练流程。目前已有63人学习下载。借助该数据集读者可快速完成模型训练、验证与测试理解标注格式转换与配置文件编写为白萝卜检测项目提供可直接复用的数据基础。1. 白萝卜检测数据集到底能解决什么从1000张带标签图像说起去年帮一个做农机视觉的朋友调模型他拿了一堆大棚里拍的白萝卜照片想做一个自动计数和分级的东西。结果卡在第一步网上公开的萝卜类数据集几乎找不到COCO 里没有ImageNet 里也没有细分类别。最后只能自己扛着相机去地里拍回来再一张张标。所以当我看到「YOLO算法-白萝卜检测数据集-1000张图像带标签.zip」这个标题时第一反应是这东西对做农业视觉的人来说省掉的是最枯燥的那两周。这个数据集的核心价值在于「带标签」三个字。1000 张图像如果只是图片那叫素材库带上 YOLO 格式的标注框才叫可训练数据集。它解决的是从零标注到能跑通训练之间那段最耗人力的环节。适合谁用做智慧农业的算法工程师、农学院里想验证检测方案的研究生、以及想拿一个真实场景练手 YOLO 的开发者。你不需要自己搭标注环境不需要纠结标签格式转换拿到就能直接喂给 YOLOv5 或 YOLOv8 跑起来。但这里有个前提得说清楚1000 张在目标检测里属于小样本量级。它能让你快速验证流程、跑通 baseline但别指望直接拿去产线部署。我一般会把它当作「冷启动数据集」——先用它把训练管线跑通确认数据增强、anchor 设置、评估指标都正常再决定要不要扩标到 5000 张以上。这个定位想明白了后面的每一步才不会走偏。2. 拿到压缩包先别急着解压目录结构与标签格式的核对方法2.1 一个合格的白萝卜检测数据集应该长什么样在动手写任何训练脚本之前先花十分钟把数据集的目录结构摸清楚。这不是浪费时间而是避免后面训练到一半发现标签对不上号。常见的 YOLO 数据集有两种组织方式一种是 images 和 labels 平行目录另一种是 train/val 下各带 images 和 labels。不管哪种核心是图像文件和标注文件必须一一对应文件名相同、扩展名不同。白萝卜这个场景有个特殊之处萝卜在地里是半埋状态叶片和根茎交界处容易混淆。所以标注质量比格式更重要。你打开几张标注可视化图重点看三个地方一是萝卜主体框有没有把叶片也框进去二是相邻萝卜有没有框重叠三是小目标萝卜有没有被漏标。这三点直接决定模型学到的边界在哪里。我一般会写一个快速统计脚本先看类别分布和框的尺寸分布。如果发现某个尺寸区间的框特别少后面训练时就要针对性做尺度增强。这个动作花不了几分钟但能让你对数据集的「脾气」有个底。2.2 用 Python 脚本核对图像与标签的配对情况下面这段代码做三件事统计图像数量、检查每个图像是否有对应标签、输出标注框的宽高分布。你拿到任何 YOLO 格式数据集都可以先跑一遍。import os import glob from collections import Counter # 数据集根目录按实际路径修改 root ./bailuobo_dataset img_dir os.path.join(root, images) lbl_dir os.path.join(root, labels) # 支持的图像扩展名 img_exts [*.jpg, *.jpeg, *.png, *.bmp] img_files [] for ext in img_exts: img_files.extend(glob.glob(os.path.join(img_dir, ext))) print(f图像总数: {len(img_files)}) missing_label [] empty_label [] box_w_list [] box_h_list [] for img_path in img_files: base os.path.splitext(os.path.basename(img_path))[0] lbl_path os.path.join(lbl_dir, base .txt) if not os.path.exists(lbl_path): missing_label.append(base) continue with open(lbl_path, r) as f: lines [l.strip() for l in f if l.strip()] if len(lines) 0: empty_label.append(base) continue for line in lines: parts line.split() # YOLO 格式: class_id x_center y_center width height (归一化) if len(parts) 5: box_w_list.append(float(parts[3])) box_h_list.append(float(parts[4])) print(f缺失标签的图像数: {len(missing_label)}) print(f空标签文件数: {len(empty_label)}) if box_w_list: print(f标注框总数: {len(box_w_list)}) print(f框宽归一化均值: {sum(box_w_list)/len(box_w_list):.4f}) print(f框高归一化均值: {sum(box_h_list)/len(box_h_list):.4f}) # 按面积粗略分档 small sum(1 for w,h in zip(box_w_list, box_h_list) if w*h 0.02) mid sum(1 for w,h in zip(box_w_list, box_h_list) if 0.02 w*h 0.2) large sum(1 for w,h in zip(box_w_list, box_h_list) if w*h 0.2) print(f小目标框数: {small}, 中目标框数: {mid}, 大目标框数: {large})这段代码的逻辑很直白先收集所有图像路径然后逐个去找同名 txt。缺失标签和空标签要分开统计因为处理方式不同——缺失可能是漏标空标签可能是负样本。框的宽高是归一化值乘以图像尺寸才是像素值。面积分档的阈值 0.02 和 0.2 是我自己的习惯你可以根据白萝卜在画面中的实际占比调整。参数说明root改成你解压后的实际路径如果数据集是 train/val 分目录的把img_dir和lbl_dir分别指向对应子目录再跑一次。跑完之后如果缺失标签超过 5%建议先补齐再训练否则模型会学到错误的背景信息。3. 从零跑通 YOLOv8 训练配置文件、命令与参数含义3.1 数据集 YAML 怎么写才不出错YOLOv8 用 YAML 文件描述数据集路径和类别。这个文件看着简单但路径写错一个字符就是「No labels found」的报错。我一般把 YAML 放在数据集根目录下用相对路径引用这样整个文件夹拷到别的机器上也能直接用。# bailuobo.yaml path: ./bailuobo_dataset # 数据集根目录 train: images/train # 训练集图像相对路径 val: images/val # 验证集图像相对路径 nc: 1 # 类别数白萝卜只有一类就是1 names: 0: bailuobo # 类别名称英文避免编码问题这里有几个容易翻车的点。第一path如果写绝对路径换机器就废了建议用相对路径。第二train和val是相对于path的路径不是相对于 YAML 文件本身。第三如果你的图像和标签不在平行目录比如标签统一放在labels/train那 YOLOv8 默认会去找images同级的labels路径结构要提前对齐。类别名用英文是血泪经验。中文类别名在某些版本的训练日志里会乱码虽然不影响训练结果但排查问题时看着难受。白萝卜写成bailuobo或者radish都行保持前后一致就好。3.2 训练命令与关键参数逐个拆解环境装好之后一条命令就能启动训练。但这条命令里的每个参数都值得说清楚因为默认值不一定适合白萝卜这个场景。yolo detect train \ data./bailuobo.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ augmentTrue \ project./runs/bailuobo \ nameexp1modelyolov8n.pt选的是 nano 版本参数量最小适合先跑通流程。1000 张图用 nano 模型在单张消费级显卡上大概十几分钟一个 epoch。如果你有更好的显卡可以换yolov8s.pt或yolov8m.pt但小数据集上大模型更容易过拟合n 和 s 通常够用。epochs100配合patience20是早停策略如果 20 个 epoch 验证指标没提升就自动停。白萝卜数据集小实际可能 60 到 80 个 epoch 就收敛了。batch16是保守值显存够可以加到 32显存不够就降到 8但太小会让 BatchNorm 统计不稳定。lr00.01是初始学习率YOLOv8 默认用 SGD 时这个值比较稳。如果你换成 AdamW学习率要降到 0.001 量级。augmentTrue开启默认增强包括 HSV 抖动、随机翻转、缩放。白萝卜在地里光照变化大HSV 增强很有必要但要注意翻转增强对垂直生长的作物可能不适用——萝卜倒过来还是萝卜所以问题不大。训练开始后重点盯三个输出box_loss是否稳定下降、mAP50是否在涨、val/box_loss和train/box_loss的差距。如果训练 loss 降但验证 loss 涨就是过拟合信号该减模型或加数据了。3.3 训练完怎么看结果混淆矩阵和 PR 曲线训练结束后runs/bailuobo/exp1目录下会生成一堆可视化文件。别只看最后的 mAP 数字我一般会重点看两张图confusion_matrix.png和PR_curve.png。混淆矩阵里如果白萝卜被大量分到 background说明漏检严重可能是标注框太小或者置信度阈值太高。如果 background 被分成白萝卜说明误检多可能是背景里有类似形状的物体。PR 曲线看的是不同置信度下的精确率和召回率平衡点白萝卜检测如果用于计数召回率比精确率更重要曲线要往右上角靠。还有一个val_batch0_pred.jpg这样的预测可视化图直接看模型在验证集上的实际表现。我习惯挑几张预测错的图对照原图看是标注问题还是模型问题。如果是标注框本身偏了那再怎么调参也没用得回去修标签。4. 白萝卜检测的避坑清单从标注到推理的五个翻车点4.1 标注框把叶片框进去导致模型学偏现象训练 loss 正常下降mAP 也有 0.7 左右但推理时模型总是把萝卜叶片一起框进去框比实际萝卜大一圈。原因标注时为了省事把整棵萝卜连叶片一起框了。模型学到的是「萝卜叶片」的组合特征而不是萝卜主体。白萝卜的叶片形状和杂草接近这会让模型在复杂背景里分不清。解决重新检查标注只框萝卜露出地面的根茎部分。如果叶片遮挡严重宁可标小一点也不要扩大框。改完标签后重新训练mAP 可能暂时下降但推理框会准很多。4.2 验证集 mAP 很高但实际推理一塌糊涂现象验证集 mAP50 到 0.85但拿手机拍几张新照片推理漏检率超过一半。原因1000 张图如果都来自同一块地、同一个时间段、同一种光照验证集和训练集分布几乎一样mAP 虚高。换一个场景模型就崩了。解决划分验证集时按拍摄批次或地块划分不要随机分。如果数据集本身多样性不足训练时加大 HSV 增强的饱和度和亮度范围同时加随机裁剪和旋转。推理时如果场景差异大考虑用测试时增强TTA临时补救。4.3 小目标萝卜在 640 分辨率下直接消失现象图像里远处的萝卜在标注时存在但训练后模型完全检测不到。原因YOLOv8 默认 640 输入下采样 32 倍后小于 20 像素的物体在特征图上只剩不到一个像素。白萝卜如果占画面比例很小特征直接丢了。解决两个方向。一是提高输入分辨率到 1280但显存和推理时间翻倍。二是用切片推理把大图切成小块分别检测再合并。我一般先统计标注框的像素尺寸分布如果小目标占比超过 30%就直接上 1280 训练。4.4 标签文件里的类别 ID 从 1 开始现象训练时报错「Label class 1 exceeds nc1」或者训练完模型把所有东西都预测成背景。原因YOLO 格式要求类别 ID 从 0 开始。有些标注工具导出时从 1 开始或者手动改标签时没注意。解决写个脚本把所有标签文件的第一列减 1同时确认没有负数。改完再跑一遍 2.2 节的核对脚本确认类别 ID 范围在 0 到 nc-1 之间。4.5 数据增强把萝卜转没了现象训练几个 epoch 后模型突然开始预测大量空框loss 震荡。原因YOLOv8 默认增强里有随机旋转和剪切如果萝卜在图中本来就靠近边缘增强后可能被裁掉大半标签框还在但目标已经没了。这种「标签存在但目标不可见」的样本会严重干扰训练。解决检查增强后的可视化图如果发现大量目标被裁切降低degrees和shear参数或者开启mosaic时注意边界。我一般会在训练前用yolo detect train的save_datasets选项导出增强后的图看一眼确认没有明显异常再正式跑。5. 把 1000 张用出 5000 张的效果小数据集上的进阶技巧1000 张图训练一个能用的白萝卜检测模型关键不在于模型多大而在于怎么把每一张图榨干。我自己的习惯是分三步走先跑一个 baseline 确认流程再用迁移学习和增强策略提升最后用半自动标注扩数据。第一步baseline 用yolov8n.pt预训练权重冻结 backbone 前几层训练 50 个 epoch。这一步的目的是确认数据管线没问题mAP 能到 0.6 以上就说明标签质量过关。如果连 0.5 都到不了别急着调参回去查标签。第二步解冻全部层用余弦退火学习率从 0.01 降到 0.0001训练 150 个 epoch。同时开启mixup和copy_paste增强。copy_paste对小目标检测特别有用它把一张图里的萝卜复制粘贴到另一张图上相当于免费扩样本。但要注意粘贴后的边界融合YOLOv8 内置的版本已经处理了这个问题。第三步用训练好的模型对未标注的田间照片做推理把置信度高于 0.7 的预测框转成 YOLO 标签人工复核一遍。这一步能把 1000 张扩到 3000 张以上而且新样本来自不同光照和角度比单纯复制粘贴更有价值。复核时重点看边缘框和重叠框这两类最容易出错。验证方法上我一般留出 10% 的数据做「锁定测试集」训练过程中完全不碰。等所有调参结束后用这个测试集跑一次最终评估。如果锁定测试集的 mAP 和验证集差距在 5 个点以内说明没有过拟合验证集模型可以拿去实际场景试跑。最后说一个我踩过的坑别在 1000 张图上反复调参超过两周。小数据集的性能上限是肉眼可见的与其死磕 mAP 从 0.82 到 0.84不如花时间标 500 张新图。数据量翻倍带来的提升比任何调参技巧都直接。希望帮到你。本文还有配套的精品资源点击获取